Customer Segmentation and Targeting nnet

USECASE/DOMAIN: Tečajna lista banke za kratkoročne kredite bila je niska, što je dovelo do smanjenja prodaje. Tvrtki je bilo teško ciljati kvalificirane klijente s namjerom kupnje ili prihvaćanja određene ponude. Možemo segmentirati klijente i preporučiti proizvode i usluge za postojeće klijente pomoću demografskih podataka klijenata, plaćanja računa/ povijesti bilance, support ticketa, te korištenja poziva i podataka (gdje su dostupni) korisnika.


FIBS MODEL: Koristili smo Duboku konvolucijsku neuronsku mrežu (Deep Convolutional Neural Network) na 18 mjeseci podataka za postojeće klijente, uključujući demografiju, povijest i aktivnost na bankovnim računima i kreditnu ocjenu kako bismo predvidjeli klijente koji će najvjerojatnije prihvatiti neku ponudu. Za razliku od tradicionalnih modela, AI uči kontinuirano te se stalno prilagođava novim podacima.

Customer Risk Profile searchrisk

USECASE/DOMAIN: Identificiranje profila rizičnosti klijenata radi bolje cijene proizvoda osiguranja


FIBS MODEL: Obradili smo postojeće skupove podataka o klijentima kako bismo saznali uzorke ponašanja ljudi. Na temelju učenja, naš tree-based model kontinuirano identificira profile kupaca od visokog rizika do niskog rizika.

Kupce možemo segmentirati pomoću njihovih demografskih podataka i podataka o ponašanju za:

  • Identificiranje nove procjene rizika kupaca
  • Poboljšanje kreditnog limita
  • Ciljani marketing i promociju
  • Povećano zadržavanje

Za razliku od tradicionalnih modela, AI uči kontinuirano. To osigurava da model postane točniji jer se novi podaci konstantno šalju u model i tako modeli ne zastarijevaju.

Churn Prediction churn

USECASE/DOMAIN: Postojeći modeli ne mogu precizno predviditi odljev klijenata  ukoliko se nisu uočili svi razlozi iscrpljivanja.

FIBS MODEL: Za podatke koji nisu vremenske serije, kao što su demografske informacije, koristili smo tree-based modele. Uz to koristimo neuronske mreže za vremenske serije poput aktivnosti i ponašanja klijenata.

Koristeći demografsku strukturu kupaca, povijest plaćanja računa i upravljanje bilancama, support tickete, korištenje poziva korisnika i podataka (gdje su dostupni), možemo predvidjeti koji će klijenti vjerojatno napustiti uslugu.